开发者

python的数据与matlab互通问题:SciPy

目录
  • python数据与matlab互通SciPy
    • python利用scipy.io.savemat()存储日志
    • 利用matlab读取mat日志的方法
  • Python数据分析scipy
    • 定积分scipy.integrate
    • 优化器scipy.optimize
    • 插值scipy.interpolate
    • 线性计算与矩阵分解scipy.linalg
  • 总结

    python数据与matlab互通SciPy

    有时候需要利用python进行科学计算,但需要Matlab进行交互式画图,因此需要掌握python与matlab数据js互通的技巧:SciPy

    • SciPy 提供了与 Matlab 的交互的方法。
    • SciPy 的 scipy.io 模块提供了很多函数来处理 Matlab 的数组。

    python利用scipy.io.savemat()存储日志

    参考:https://docs.scipy.org/doc/scipy/reference/generated/scipy.io.savemat.html

    (一)语法

    scipy.io.savemat(file_name, mdict, appendmat = True, format = '5', long_field_names = False, do_compression = False, oned_as = 'row')
    参数
    file_name:str
          .mat 文件的名称(如果没有扩展名,需要设置appendmat == True)
    mdict:dict
          从中保存 matfile 变量的字典。
    appendmat:布尔值,可选
          True(默认值)将 .mat 扩展名附加到给定文件名的末尾(如果尚不存在)。
    fomat:{'5'www.devze.com, '4'},字符串,可选
          '5'(默认值)用于 MATLAB 5 及更高版本(至 7.2),'4' 用于 MATLAB 4 .mat 文件。
    long_field_names:布尔型,可选
          False(默认值)- 结构中的最大字段名称长度为 31 个字符,这是记录的最大长度。True - 结构中的最大字段名称长度为 63 个字符,适用于 MATLAB 7.6+。
    do_compression:布尔值,可选
          是否在写入时压缩矩阵。默认为假。
    oned_as :{'row', 'column'},可选
          如果是 'column',则将一维 NumPy 数组写为列向量。如果为“行”,则将一维 NumPy 数组写为行向量。
    

    (二)例子

    from scipy import io
    import numpy as np
    arr = np.arange(10)
    
    io.savemat('arr.mat', {"vec": arr})
    #如果存入多组数据
    io.savemat('saveddata.mat', {'xi': xi,'yi': yi,'ui': ui,'vi': vi})

    利用matlab读取mat日志的方法

    (一)载入日志文件

    mat_struct=load('C:\Users\XXX\Desktop\task3-2022y01m23d-17h52m编程客栈.mat');

    (二)取出元素

    mat_struct=load('C:\Users\XXX\Desktop\task3-2022y01m23d-17h52m.mat');
    ans=mat_struct.ans;
    select_info=mat_struct.select_info;
    select_info_p=mat_struct.select_info_p;
    clear mat_struct;

    Python数据分析scipy

    SciPy是一组专门解决科学计算中各种标准问题域的包的集合,主要包括下面这些包:

    • scipy.integrate:数值积分例程和微分方程求解器
    • scipy.linalg:扩展了由numpy.linalg提供的线性代数例程和矩阵分解功能
    • scipy.optimize:函数优化器(最小化器)以及跟查找算法
    • scipy.signal:信号处理工具
    • scipy.sparse:稀疏矩阵和系数线性系统求解器
    • scipy.special:SPECFUN(这是一个实现了许多常用数学函数(如伽马函数)的Fortran库)的包装器
    • scipy.stats:标准连续和离散概率分布(如密度函数、采样器、连续分布函数等)、各种统计检验方法,以及更好的描述统计法
    • scipy.weave:利用内联C++代码加速数组计算的工具

    定积分scipy.integrate

    导入积分模块:

    import numpy as np #导入numpy库
    from scipy import integrate #导入定积分模块

    scipy.integrate.quad(func,a,b):计算单重积分,参数分别为被积函数(f(x))、积分下限、积分上限

    res, err = integrate.quad(np.sin, 0, np.pi/2) # 对sin函数在[0,$\pi/2$]区间上积分,quad函数返回两个值,第一个为积分结果,第二个为误差值
    print(integrate.quad(lambda x:x**2,0,1)) # 计算x**2的定积分,积分区间为0到1,并输出结果

    scipy.integrate.dblquad(func,a,b,gfun,hfun):计算双重积分,参数分别为被积函数(f(y,x))、x的积分下限、x的积分上限、y的积分下限、y的积分上限

    print(integrate.dblquad(lambda x,y:x**2+www.devze.comy,0,2,lambda x:0,lambda x:1)) #对x**2+y求定积分,x积分区间[0,1],y积分区间[0,2],并输出结果

    scipy.integrate.nquad(func,ranges):计算多重积分,参数分别为被积函数(f(x0,x1,…,xn))、积分区间(格式为[[a,b],[c,d],[e,f]],依次为x0、x1、x2、的积分区间)

    def f(x,y):
      return x**2+y
    
    def bound_x():
      return [0,1]
    
    def bound_y():
      return [0,2]
    
    print(integrate.nquad(f,[bound_x,bound_y]))

    优化器scipy.optimize

    导入模块

    import numpy as np #导入numpy库
    from scipy import optimize #导入优化模块

    scipy.optimize.minimize(func,x0,args=(),method=None,jac=None):计算标量函数的最小值,参数分别为标量函数、初值、、寻优方法

    寻优方法有:

    插值scipy.interpolate

    导入模块

    import numpy as np #导入numpy库
    from scipy import interpolate #导入interpolate模块
    import matplo开发者_JS教程tlib.pyplot as plt #导入绘图模块
    x = np.linspace(0, 1, 10) #创建数组,相当于x
    y = np.sin(2 * np.pi * x) #相当于y

      

    scipy.interpolate.interp1d():1维插值函数

    linear_f = interpolate.interp1d(x, y) #线性插值函数
    x_new = np.linspace(0, 1, 50) #插值后的x
    y_new = linear_f(x_new) #线性插值后的y
    cubic_f = interpolate.interp1d(x, y, kind='cubic') #应用插值函数
    cubic_y = cubic_f(x_new) #插值后的y值

    展示效果

    plt.figure()
    plt.plot(x, y, 'o', ms=6, label='x')
    plt.plot(x_new, y_new, label='linear interp')
    plt.plot(x_new, cubic_y, label='cubic interp')
    plt.legend()
    plt.show()

    线性计算与矩阵分解scipy.linalg

    导入模块

    import numpy as np #导入numpy库
    from scpythonipy import linalg as lg #导入scipy库的linalg模块
    arr=np.array([[1,2],[3,4]]) #创建方阵arr
    b=np.array([6,14]) #创建矩阵b

    scipy.linalg.det():计算方阵的行列式

    print('Det:',lg.det(arr)) #求矩阵arr的行列式

    scipy.linalg.inv():计算方阵的逆矩阵

    print('Inv:',lg.inv(arr)) #求矩阵arr的逆矩阵

    scipy.linalg.eig():计算方阵的特征向量

    print('Eig:',lg.eig(arr)) #求矩阵arr的特征向量

    scipy.linalg.svd():对矩阵进行奇异值分解

    print('SVD:',lg.svd(arr)) #对矩阵arr进行svd分解

    scipy.linalg.lu():对矩阵进行LU分解

    print('LU:',lg.lu(arr)) #对矩阵arr进行lu分解

    scipy.linalg.qr():对矩阵进行QR分解

    print('QR:',lg.qr(arr)) #对矩阵arr进行qr分解

    scipy.linalg.schur():对矩阵进行Schur分解

    print('Schur:',lg.schur(arr)) #对矩阵arr进行Schur分解

    scipy.linalg.solve():方程组求解

    print('Sol:',lg.solve(arr,b)) #求方程组arr*x=b的解

    总结

    以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。

    0

    上一篇:

    下一篇:

    精彩评论

    暂无评论...
    验证码 换一张
    取 消

    最新开发

    开发排行榜